Fugu-MT 論文翻訳(概要): Embodied-Symbolic Contrastive Graph Self-Supervised Learning for Molecular Graphs

論文の概要: Embodied-Symbolic Contrastive Graph Self-Supervised Learning for Molecular Graphs

arxiv url: http://arxiv.org/abs/2205.06783v1
Date: Fri, 13 May 2022 17:13:37 GMT
ステータス: 処理完了
システム内更新日: 2022-05-16 14:10:54.008112
Title: Embodied-Symbolic Contrastive Graph Self-Supervised Learning for Molecular Graphs
Title（参考訳）: 分子グラフのためのエンボディ・シンボリックコントラストグラフ自己教師付き学習
Authors: Daniel T. Chang
Abstract要約: 分子グラフ表現学習における二重エンボディ・シンボリック概念表現の活用について論じる。具体的表現は分子グラフから学習し、記号的表現は対応する化学知識グラフから学習する。
参考スコア（独自算出の注目度）: 0.8722210937404288
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dual embodied-symbolic concept representations are the foundation for deep learning and symbolic AI integration. We discuss the use of dual embodied-symbolic concept representations for molecular graph representation learning, specifically with exemplar-based contrastive self-supervised learning (SSL). The embodied representations are learned from molecular graphs, and the symbolic representations are learned from the corresponding Chemical knowledge graph (KG). We use the Chemical KG to enhance molecular graphs with symbolic (semantic) knowledge and generate their augmented molecular graphs. We treat a molecular graph and its semantically augmented molecular graph as exemplars of the same semantic class, and use the pairs as positive pairs in exemplar-based contrastive SSL.
Abstract（参考訳）: Dual embodied-symbolic concept representationsはディープラーニングとシンボリックAI統合の基礎である。本稿では,分子グラフ表現学習における二重エンボディ・シンボリックな概念表現の活用について論じる。具体化表現は分子グラフから学び、記号表現は対応する化学知識グラフ(kg)から学習される。我々はケミカルKGを用いて、記号的(意味的な)知識で分子グラフを強化し、その強化された分子グラフを生成する。分子グラフとその意味的に拡張された分子グラフを同じ意味クラスの例として扱い、そのペアを例ベースのコントラストSSLにおいて正のペアとして利用する。

関連論文リスト

Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
論文参考訳（メタデータ） (2025-02-17T11:53:58Z)
Molecular Graph Contrastive Learning with Line Graph [25.71472037657342]
グラフコントラスト学習(GCL)は、分子特性予測や薬物設計に利用できる。分子意味論を省略せずに符号化するための新しい手法である textitLEMON を提案する。ビュー生成のための最新技術(SOTA)手法と比較して,分子特性予測における優れた性能は,提案手法の有効性を示唆している。
論文参考訳（メタデータ） (2025-01-15T05:17:38Z)
MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。すべての候補原子と結合をノードとして扱い、それらをグラフ化する。グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文参考訳（メタデータ） (2023-08-23T16:16:11Z)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
分子に固有の二重レベル構造を考慮に入れたGODEを導入する。分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
Probing Graph Representations [77.7361299039905]
グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
論文参考訳（メタデータ） (2023-03-07T14:58:18Z)
A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文参考訳（メタデータ） (2022-09-12T00:56:57Z)
Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文参考訳（メタデータ） (2022-07-25T11:30:44Z)
Molecular Graph Representation Learning via Heterogeneous Motif Graph Construction [19.64574177805823]
ヘテロジニアスなモチーフグラフを構築することによって,新しい分子グラフ表現学習法を提案する。特に、モチーフノードと分子ノードを含む不均一モチーフグラフを構築する。本モデルでは, エッジサンプリングを用いて, 計算資源を著しく減らし, 類似した性能が得られることを示す。
論文参考訳（メタデータ） (2022-02-01T16:21:01Z)
Molecular Contrastive Learning with Chemical Element Knowledge Graph [16.136921143416927]
分子表現学習は、分子特性予測や薬物設計など、下流の複数のタスクに寄与する。我々は,元素間の微視的関連を要約するケミカル要素知識グラフ(KG)を構築した。最初のモジュールである知識誘導グラフ拡張は、ケミカル要素KGに基づいて元の分子グラフを増強する。第2のモジュールである知識対応グラフ表現は、元の分子グラフの共通グラフエンコーダと知識対応メッセージパッシングニューラルネットワーク(KMPNN)を用いて分子表現を抽出し、拡張された分子グラフの複雑な情報をエンコードする。
論文参考訳（メタデータ） (2021-12-01T15:04:39Z)
Hierarchical Inter-Message Passing for Learning on Molecular Graphs [9.478108870211365]
分子グラフを学習するための階層型ニューラルメッセージパッシングアーキテクチャを提案する。我々の手法は、サイクルの検出など、古典的なGNNで知られているいくつかの制限を克服することができるが、それでも訓練は非常に効率的である。
論文参考訳（メタデータ） (2020-06-22T12:25:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。